随着计算机技术及感知技术的发展及应用,各个领域普遍出现不确定性数据流形态的新型数据,吸引了众多研究者的关注.现有的数据流聚类技术普遍忽略不确定性特征,常导致聚类结果的不合理甚至不可用.为数不多的针对不确定性特征的聚类方法片面考察不确定性,且大多基于K-Means算法,具有先天缺陷.针对这一问题展开研究,提出了不确定度模型下数据流自适应网格密度聚类算法(adaptive density-based clustering algorithm over uncertain data stream,ADC-UStream).对于不确定性特征,该算法在存在级和属性级不确定性统一策略下,构建熵不确定度模型进行不确定性度量,综合考察不确定性.采用网格-密度的聚类算法,基于衰减窗口模型设计时态和空间的自适应密度阈值,以适应不确定性数据流的时态性和非均匀分布特征.实验结果表明,不确定模型下的数据流网格密度自适应聚类算法ADC-UStream在聚类结果质量和聚类效率方面都具有较好的性能.
成果导向教育理念(Outcome Based Education,OBE)是工程教育专业认证三大核心理念之一,同时也是“以学生为中心”和“持续改进”实现的重要载体。软件产业作为“新基建”等领域的重要载体至关重要,软件工程人才是振兴和发展软件产业的关键。针对传统的软件工程专业课程课堂往往以学科为导向,存在“以知识传授为目标、以教师讲授为中心”等问题,引入OBE理念并以此为目标和指引,探索完善课程目标、优化课程设计、健全课程考核等改革措施,期望进一步提高学生培养质量,并以软件工程专业基础核心课程《数据结构》为例进行具体说明。
